Optimizar el dosaje de inmunosupresores presenta desafíos significativos en el trasplante renal debido a rangos terapéuticos estrechos y considerables diferencias farmacocinéticas entre pacientes. Las estrategias emergentes para el dosaje preciso, que abarcan modelos farmacocinéticos poblacionales bayesianos, integración farmacogenómica y algoritmos de inteligencia artificial, buscan mejorar el monitoreo de fármacos al ir más allá de los enfoques tradicionales basados en los niveles mínimos. Esta revisión evalúa críticamente la evidencia disponible para los modelos de dosaje predictivo que tienen como objetivo los inmunosupresores, incluidos los inhibidores de la calcineurina, antimetabolitos e inhibidores de mTOR en pacientes trasplantados renales. Los estudios observacionales y de simulación disponibles demuestran una diversidad metodológica sustancial, con estrategias guiadas por PopPK bayesiano que muestran un logro de exposición objetivo un 15-35% mejor en comparación con el monitoreo basado en niveles mínimos. La ausencia de estimaciones combinadas impide un resumen preciso del tamaño del efecto, y la evidencia de ensayos controlados aleatorios sigue siendo limitada. Los modelos de aprendizaje automático, particularmente para tacrolimus, redujeron frecuentemente el error de predicción en relación con enfoques de regresión tradicionales, pero la heterogeneidad sustancial en el diseño del estudio, las definiciones de resultados y la validación externa limita la síntesis cuantitativa. Los marcos híbridos bayesianos-AI y las herramientas de AI explicativa muestran una promesa conceptual pero están en gran medida respaldadas por estudios de prueba de concepto en lugar de implementaciones clínicas reproducibles. En general, el modelado farmacocinético bayesiano representa el enfoque más maduro e interpretable clínicamente para el dosaje preciso en trasplantes, mientras que los sistemas impulsados por AI y híbridos siguen siendo investigacionales. Las principales lagunas incluyen la necesidad de informes estandarizados, una evaluación rigurosa del riesgo de sesgo, validación prospectiva y vías regulatorias y de implementación más claras para apoyar una adopción clínica segura y equitativa.
Altynova et al. (Fri,) estudiaron esta cuestión.